OBIETTIVI FORMATIVI

Learning algorithms and techniques for large scale graph analytics, including centrality measures, connected components, graph clustering, graph properties for random, small-world, and scale free graphs, graph metrics for robustness and resiliency, and graph algorithms for reference problems.

MODALITA' DIDATTICHE

Lezioni, esercitazioni pratiche e studio a casa

PROGRAMMA/CONTENUTO

Background su algebra lineare e probabilità.

Introduzione alle reti complesse: esempi dalla biologia, sociologia, economia, informatica.

Caratterizzazione della topologia di un network a livello globale e di singolo nodo: connettività, clustering, misure di centralità, diametro, cliques, comunità.

Modelli di grafi: reti random alla Erdos-Renyi; reti small-world e modello di Watts-Strogatz; reti scale-free e modello di crescita di Barabasi-Albert.

Metriche sui grafi per la robustezza e la tolleranza ai guasti.

Il grafo del Web: catene di Markov e random walk, algoritmi di ranking, motori di ricerca.

Processi dinamici sui grafi.

Fenomeni ed algoritmi epidemici.

Casi di studio: web, social media, modelli epidemici.

Visualizzazione di dati complessi mediante tool software

TESTI/BIBLIOGRAFIA

M. E. J. Newman, Networks: An Introduction, Oxford University Press, Oxford (2010)

D. Easley and J. Kleinberg: Networks, Crowds, and Markets: Reasoning About a Highly Connected World (http://www.cs.cornell.edu/home/kleinber/networks-book/)

A. Barabasi: Network Science (http://barabasilab.neu.edu/networksciencebook/)

A. L. Barabasi, Link. La nuova scienza delle reti, Einaudi 2004 , introductory text (optional)

Durante il corso verranno suggeriti anche articoli scientifici.